文：C3P国际工程软件公司阳晓军 崔季春 何宇祺 陈敬
摘要
人工智能技术是当今讨论的热点，如何让这种高大上的技术也进入普通的工业企业相信是非常期待的话题。本文详细地介绍了人工智能技术在压铸流道自动优化上的应用，详细介绍了其基本原理，应用方法和使用技巧。
关键词：人工智能，演化遗传算法，Cast-Designer, 流道优化，铸造模拟
1，概述
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 前不久，韩国棋王李世石与AlphaGo的这场人机大战时，我们知道AlphaGo火了。当棋王投子认输的那一刻，人类开始以另一种眼光看待这个人工智能程序，从不被看好到连胜两局，人们在惊愕之余不得不承认，人工智能已经发展到可以轻易超越人类的水平了。
对于这场大赛，人们已经失去了最初的期待，反而是人工智能这个新“物种”吸引了大家的注意，这个看不见摸不着的电脑程序，就这样将人类最后的骄傲摧毁，对于人类而言，到底是福还是祸，它会对我们的生活造成怎样的影响。很多人的心情是复杂的。
其实，人工智能已经走过了60年的历史，并几经高峰和寒冬，目前已经渗透进我们的生活的方方面面，也正在改变着我们的生活。
本文则重点介绍人工智能技术在铸造设计和分析中的应用，并以Cast-Designer为例，详细介绍流道设计过程中的全自动优化技术。
遗传算法
为解决各种优化计算问题，人们提出了各种各样的优化算法，如单纯形法、梯度法、动态规划法、分枝定界法等。这些优化算法各有所长，也各有所短。相比之下，遗传算法是一类可用于复杂系统优化计算的鲁棒搜索算法，并具有显著的特点和优点。
1) 遗传算法的决策变量的编码作为运算对象，这样使得我们在优化计算过程中可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地互用遗传操作算子。
2) 遗传算法直接的目标函数值作为搜索信息。无须目标出现的导数值等其他一些辅助信息，并且可以把搜索范围集中到适应度较高的部分搜索空间中，从而提高搜索效率。
3) 遗传算法可以同时使用多个搜索点的搜索信息。遗传算法从由很多个体所组成的一个初始群体开始最优解的搜索过程，而不是从一个单一的个体开始搜索，对这个群体所进行的选择、交叉、变异等运算，产生出的就是新一代的群体。
4) 遗传算法使用概率搜索技术。传统的优化算法往往采用确定性搜索方法。可能使搜索永远达到最优点。而遗传算法属于一种自适应概率搜索技术，使其搜索过程更具灵活性。
多目标优化
现实世界中大多数优化问题都涉及多个目标，并且在多数情况下这些目标不可比，它们的数值不能直接进行优劣关系的比较。另一方面，各目标间往往是相互制约，甚至相互冲突的。在不降低一个目标值的情况下，不能任意提高其他目标的性能。而只能在各个目标之间取均衡后的结果。这就是通常所说的多目标优化问题（MOO , Multi-Objective Optimization）.
在多目标优化中，最主要的是Pareto最优解集，其关键技术就是如何将多目标问题转换为单目标问题。
演化算法（Evolutionary Algorithms）是从传统转化方法的基础上发展起来的高效多目标优化算法，由于演化算法基于种群的搜索方式实现了搜索的多向性和全面性。一次计算就可以得到多个有效解集。演化算法对目标最优均衡面的形状和连续性不敏感，可以很好的逼近非凸性或不连续的均衡面。
目前多目标演化算法的研究热点是采用Pareto机制的多目标优化技术。比较有名的典型算法如Fonseca和 Flemzn 提出的MOGA , SriniWS 和Deb提出的NSGA、 NSGA-B, Knowles和Corne提出的PAES, Zitzler和Thiele提出的SPEA, SPEAZ, Corne等提出的PESA，Coell和Pulido提出的微遗传算法。这些算法及其改进形式已在实际中得到了广泛的应用，具有强大的生命力。
2，优化技术在铸造工业中的应用
随着优化技术的发展，这种新型的人工智能也逐渐应用到了铸造工业中。目前主要的应用包括如下几个方面：
1， 优化。顾名思义，就是协助客户从给定的参数范围内寻找最佳的解决方案。早期的优化包括重力铸造中冒口形状和数量的优化已改善缩孔；最新的研究则已经扩大到优化高压铸造的流道系统，以之获得最佳的流动平衡和最少的卷气，并尽可能改善铸件的缩孔。
2， DOE (Design of Experiments，设计实验)。 用以寻求给定实验目标的参数窗口。
3， 反求（曲线拟合）。比如根据实验测量的温度曲线，反求相应的边界条件，如材料数据或温度边界条件。
4， 鲁棒性研究。研究给定范围的工艺鲁棒性。比如对于给定浇铸温度范围的铸造，研究产品的一致性是否符合要求。
3， 流道设计的意义及对压铸产品的影响
压铸产品的好坏，很大程度决定于流道设计。其进浇的方式、位置与排布、流道模式与尺寸等，都有着举足轻重的作用。流道设计的优劣，直接影响产品的生产性、缺陷与品质和生产效率。
“80%的产品质量问题，来源于工艺设计的好坏”，流道设计可以说是压铸模工艺设计中的核心部分。目前，流道设计仍然是一项依赖工程师经验的工作。工程师往往会运用书本上的一些经验公式，通过Excel表格等工具，计算出一些铸造的工艺参数。再通过三维CAD软件，完成造型设计。这种基于经验的设计，为铸造业带来前所未有的挑战。同时，现有的CAD软件只提供了三维造型能力，无法计算出设计所必须的铸造工艺参数，也不能把计算好的参数与CAD造型联动，更不能给出流道设计方案的建议。有鉴于此，引入流道设计专家系统，采取规范化设计非常必要。
以下为了说明的方便性，我们以C3P Software的Cast-Designer为例来说明流道设计与应用。Cast-Designer是针对铸造行业专门开发的压铸模流道设计分析系统。其内置
了流道设计专家系统，并提出“基于工程经验的设计”概念，属于知识型（Knowledge-based）的设计产品。利用这个软件，可以在很快的时间内完成包括浇铸系统、溢流槽和排气系统以及冷却水道的设计。
图二是Cast-Designer流道设计的设计向导，通过输入铸件的基本信息（如重量、壁厚、材质等），程序将给出一系列的铸造工艺参数最佳建议数值，其中包括最佳充型时间范围、内浇口速度范围、内浇口面积与厚度等，用户可以直接采用或微调确认。在选择压铸机之后，能快速对一速、二速及临界切换点、整个流道的加速比等提供参数建议，并能实时调整，形成最后的截面积设计方案。最后通过PQ图对设计方案与压铸设备和模具进行即时校验，匹配出最佳的模具/设备组合。
对于复杂铸件，Cast-Designer有一个铸件分区设计功能，可以计算出每个内浇口的金属量和截面积以及金属流动距离，优化后能让整个充型过程更加平稳，避免金属液不平衡和包卷产生的缺陷。
理论上说，任何三维CAD软件（如CATIA, 西门子NX, Creo, SOLIDWORKS等）都能进行压铸模流道设计，但这些都是通用的CAD系统，功能强大但并不专业，特别是进行压铸模流道设计时非常费时费力且对使用者的要求很高。在企业中的应用状况是“一直在用但一直用不好”。
图三， CAD流道设计方法与Cast-Designer 流道设计的比较 （左图：采用Siemens NX设计的流道，工程师具备4年设计经验，设计时间4小时，但横截面积控制并不合理； 右图：采用Cast-Designer设计的流道，工程师只有1年设计经验，设计时间只有半小时并能完美地控制流道截面积和加速比）
在Cast-Designer中，还有一个可圈可点的亮点是模板式流道设计功能，这是Cast-Designer的一个独立设计模块。模板式流道设计事实上就是利用经验知识库进行设计，
把常用的流道进行分类并形成经验知识库，然后数字化，以后碰到类似的产品即可直接调用，这样充分借鉴了以往的设计经验并大大缩短了设计和操作的时间。采用这种模式，往往几分钟就可以看到一个设计的雏形，在对工程设计上是梦寐以求的。Cast-Designer中特别设立了一种特别的语言CDGL支持客户定制，用户可以无限扩充。
任何一个设计，要获得优秀的结果，必须在多个方案中反复比较并择优选取。Cast-Designer提供诸多便利和快捷的设计手段。目的在与将用户从繁琐的CAD画图中解放出来思索更多更好的设计。从而防止永远局限在一个方案的禁锢中。
采用这类属于知识型（Knowledge-based）的产品，不仅能在较短的时间内设计出专业的浇注系统直接为设计和生产服务，对企业而言既是一个培训的过程也是一个累积的过程。长期地使用这类系统，能为企业累积和建立一套标准化的设计规则，逐渐摆脱对人的过分依赖。
4，流道系统的全自动人工智能优化
上面讨论的流道设计，可以说是为了确定一个基本的设计思路和方案，确保设计的方向是正确的。但对于如何确定具体的流道尺寸和细节问题，进行模拟优化是非常必要的。因为经验的数据往往是建立在给定的几何模型和数值范围内的，当应用于一个全新的未知模型时，则未必完全合用。而CAE模拟刚好可以弥补之一短板。
从概念上来说，CAE优化非常容易理解。首先要有一个自动参数生成器（通常就是优化器的一部分）和模拟结果的提取与分析工具，根据模拟的结果决策下一步的参数，再根据新的模拟结果重复如上的步骤直至结果满足给定的要求。
这里有几个基本的要求，一是输入变量的全参数化。对于温度条件或边界条件一类的纯数字，模拟技术非常简单，无需修改几何和重新生成网格。但对于有几何变化的修改则要困难得多，特别是复杂非规则形状的几何修改。由于这中间牵涉到几何的修改，网格的重新生成，自动加载边界条件和结果分析，每一项都是很难逾越的难题。由于Cast-Designer带有内置的几何内核和全参数网格划分功能，所以能非常顺利地完成以上功能。Cast-Designer也是目前市面上唯一能顺利实现这些功能的商业软件。
5，应用举例
图五为某汽车零件的原始设计方案、实际工件缺陷与计算机模拟结果。显而易见，原始流道设计方案存在明显的缺陷，流道面积设计不规范，流道分布也不合理，导致压铸产品的中间部位存在明显的卷气缺陷。而该产品属于气密性产品，所以对卷气和缩孔的要求很高。
下面，我们采用Cast-Designer对流道系统进行设计和自动优化，寻找最佳的流道。由于优化必须对流道几何进行全面的修改，所以流道设计必须参数化并且能被优化器驱动和修改。在Cast-Designer中有多种流道设计方法，且都是全参数化的方案。由于这个流道形状相比之下还是比较复杂的，且需要对流道走向和横截面积及流道类型进行优化，所以我们采用功能最强的Free design来对流道进行设计和优化。
图六是Free Design的设计结果。接下来，我们准备优化。
首先，我们必须制定优化方案，明确优化的对象和优化目标。这是整个优化项目的核心，也是最考用户水平的地方。一个好的优化方案就是以最少的参数实现最大限度的优化目标， 且描述最简洁，计算最经济。
我们选取三个原始变量（SIV）用于优化：
1） 流道上核心控制点A和B的X坐标，A与B是几何对称的点，所以事实上只有一个输入变量。以A点为例，固定其Y坐标，A的X坐标能在(0, 55.0)之间任意移动，从而牵引流道进行变化，改变流道的曲率和流向。同时附加在主流道上的分流道SR1和SR2也以随着A、B两点的变化而随之变化。
2） 主流道的最终横截面积，即内浇口的宽度。我们固定内浇口的厚度为1.5mm，主流道的加速比可以在10 到22之间进行优化，这是一个非常合理的范围。这样相应的内浇口宽度C可以在35.0到62.0之间进行优化。
3） 第三个优化参数我们选取一个逻辑变量参数。Cast-Designer的参数定义中容许进行逻辑定义，这提供了非常方便的功能。 我们假设两种情况，一种是SR1和SR2存在，且内浇口D的宽度为11mm；另一种情况是根本不生成SR1和SR2, 也就是整个流道系统只有两个主流道。
关联变量：除了以上原始变量，系统还可以定义任意数量的关联变量用于定义流道其他部分的截面积或逻辑关系。这些关联变量有时也充当了约束变量的角色。在Cast-Designer中设计了一个即时的变量定义板，类似于Notepad的功能，使用非常方便。
优化目标（Optimization Objective）：优化目标的选取是整个模拟分析的重点和难点。首先用户必须非常熟悉需要模拟的物理问题并提取出解决问题的主线。 比如，本零件的核心问题实际上就是流动不平衡所导致的卷气问题，进而导致最终的产品缺陷。那么解决问题的关键就是如何优化流道使得流动平衡。
由于自动优化完全是基于计算机系统的自动判断，并不象我们人工模式进行后处理分析模拟结果时可以一步一步，一帧一帧地慢慢查看，从而人为地确定缺陷的位置。在本例中，我们选取两个优化目标：
1） 后端的流动平衡性判断：选取B1, B2, B3, B4, B5五个特征点，以各点为中心，确定该点范围为R10mm的空间范围内的充填时间。所谓充填时间，事实上是该范围内总的液态分数达到95%时的最小时间。
假设各点的充填时间依次是tB1, tB2, tB3, tB4和tB5,我们不妨选取tB3为基准点
Tdiff 即可以用于表征充填时间的差异。Tdiff越小，则表示充填越平稳，反之，则越不平稳。乘上1000用于放大充填时间的差异或者理解为单位换算，因为这种差异在高压铸造都是微秒数量级的，所以可以用微秒来表示这种差异。
2）前端的卷气分析：选取A1，A2，A3, A4四个特征点，并且约定以充填基本完成时刻时各点的液态分数来进行判断。通过模拟，我们看到能达到这个时刻大致是t=0.238秒，所以就采用这个时刻
fAi 为以上各点在t=0.238s时的液态分数。 由于A1， A3两点均能比较完美地充填，所以这两点的液态分数几乎都等于1，所以上式表示的实际上是液态分数的差异。 VAi为各点所代表的元素体积，在本例中，各点体积均近似相等。
Vgas越大，则表示卷气越严重，反之则表示基本没有卷气发生。这个判据可以直接用于评估前端的质量情况。
优化目标的选取原则是准则越少越好，评价越简单越好。尽可能将能表示缺陷的物理量集中在一个或两个优化目标上，并适当运用数学公式将不同的物理量进行复合。不要采用太多的优化目标，增加优化目标，会直接增加优化计算的困难性，使得计算量成指数形式增加，并且很可能不收敛导致优化失败。
对于非常复杂的优化问题，也可以将问题进行分解为几个不同的优化子问题，依次进行解决，每个子优化模型中仍只保留2到3个优化目标。
6，结果与讨论
在优化计算之前，我们已经对需要进行优化计算的模型的网格划分和模拟条件进行了全面的调整和简化，使之达到最佳的计算效率和稳定性。这种处理是非常必要的，因为优化计算毕竟是大批量计算，一个模型计算长短十几分钟并不显眼，但当是几十个甚至几百个模型的计算时这个时间就非常可观了，所以控制计算时间是非常重要的。对于一些不重要的特征又严重影响模型大小和CPU时间的必须进行简化和调整。
在本例中，由于我们非常关注流动计算的结果，且依此直接进行结果评估，所以流动计算必须具备很好的精度。因此，我们采用Cast-Designer新一代的高精度的CFD求解器进行流动计算，这是Cast-designer双求解器技术中非常亮丽的一点。通过调试，在并行计算的前提下，我们能把单个案例的计算时间能控制在1.5小时左右，这是非常高效的。然后，我们启动Cast-Designer优化器正式进行流到优化。
图八 对Cast-Designer优化的前20组结果进行讨论 （流道几何）
这里，我们选取前二十组优化的结果进行讨论。图八中列举了第15，13，7，2，12和17组的优化模型。从几何上看，可见其流道均有明显的变化。比如第13组和第2组模型存在中间流道，而其他模型则没有。第15组和第7组模型的内浇口面积有明显的变化，而第12组和第17组模型的流道轨迹则明显不同。可见优化选取的原始输入变量是非常有效的。
图九则显示不同优化方案的流动结果，红色为充填的液体而蓝色则代表空腔中的气体。从图中可以非常明显地看出前端的卷气和后端的流动平衡性。第15组，13组和第7组模型均存在不同程度的前端卷气问题，特别是第15组和第7组模型尤其严重。而第2组，12组和第17组模型的前端卷气则非常理想。
另一方面，第13组和第2组模型的后端平衡性则很不理想，第12组和第17组后端平衡性还需要更详细的研判。
图十用另一个视角体现后端流动的平衡性。从这个角度看，结果非常清楚。可见第15组，第7组，第12组和第17组模型的平衡性较好，而第13组和第2组模型的平衡性则很不理想。但即使这样，这个流道都比客户原始设计的流道已经有很大的提升，至少没有中间卷气的存在（参考图五）。这说明只要按照设计规范来进行设计，借助必要的技术手段，总体的质量保障还是有保障的。
一个有意思的现象是，第13组和第2组模型都有中间辅助流道，看来这个辅助流道并没有起到正面的作用，反而由于加快了中间部分的流动，导致了流动不平衡的加剧。因此，这个设计属于典型的画蛇添足的设计。
图十一则显示了整个优化的结果。Cast-Designer也提供了专业的优化计算后处理分析工具，比如实时监控模拟的进度，对奇异点进行处理，自动计算Pareto点和前沿，以及数据到出等等。
这个项目总共计算了四十一个模型就收敛了。所以，Cast-Designer的优化计算是非常有效率的，因为演化的遗传算法理论上一代更比一代强，下一个模型往往更接近我们的求解目标。
在图十一中，横轴是上面讨论的充填时间差，单位为微秒；纵轴为前端卷气的体积，单位为立方毫米。图中的蓝点代表计算过的模型和结果所在，而红色原点则是系统自动计算的Pareto点，也就是最优解前沿。显而易见，左下角的结果是最优的，包括充填时间差和卷气都是最优的。而右下角的点则包含最小的卷气和最大的充填不平稳性。右上角的点则是整个优化系统中最差的结果，无论充填平衡性和卷气都不理想。这么一张图表就将计算的结果非常浅显地呈现出来了。也正式我们众里寻他千百度的所在。
7， 结论与建议
当阿尔法狗打败韩国一流棋手时，我们领略了人工智能的威力。当谷歌还在紧锣密鼓地研究自动驾驶技术时，Cast-Designer已经将人工智能完美的带入了铸造设计和分析之中，这离我们是如此之近。
如何建立有效的优化模型是整个问题的关键，这里需要对物理问题有深厚的了解，同时也需要了解优化定义的一些基本概念和技巧.
Cast-Designer采用演化的遗传算法具有很好的优化效率和收敛性，优化效果较其他经典方法要好得多。
今天的优化已经不再局限于简单参数和形状的优化，而是可以应用到任何CAD的变化之中；同时优化的考察点不再是简单的直接数学变量（如缩孔体积，含气量等），而是更能代表铸造实际的复杂物理现象，如流动不平衡、卷气等因素。
